小鸡计数检测数据集 |小鸡计数 密集目标检测 智慧畜牧 雏鸡管理9124期
数据集概述
本数据集专注于养殖场景下小鸡的视觉检测与计数 ，服务于智慧畜牧、雏鸡管理及养殖密度评估。数据涵盖密集鸡群场景，适配小鸡自动计数、存活率统计及养殖管理决策等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 1 类：小鸡 |
| 数量 | 2677 张图像，101754 个标注框 |
| 格式 | 图像为 JPG/PNG；标签为 YOLO 格式的 txt 文件（水平边界框） |
| 数据划分 | 训练集 2141 张，验证集 536 张 |
| 应用价值 | 1. 自动计数 ：支撑养殖场小鸡数量的自动化统计，替代人工清点。 2. 存活监测 ：通过周期性计数监测雏鸡存活率与死亡率变化。 3. 密度评估 ：辅助评估养殖密度，指导育雏环境调控与分栏管理。 4. 算法研发：为密集小目标检测、重叠目标计数等视觉任务提供大规模训练与评测数据。 |
完整类别列表（共1类）
| 序号 | 英文名称 | 中文释义 | 包含该类别的图像数 | 总标注数 |
|---|---|---|---|---|
| 1 | Chicken | 小鸡 | 2677 | 101754 |
数据三要素解析
类别与目标覆盖
- 数据集定义 1 个核心类别：小鸡（Chicken），聚焦单一目标，便于快速部署与高精度检测。
- 标注框总数高达 101754 个，平均每张图像约含 38 个目标，属于极度密集目标检测场景。
- 密集场景下的目标重叠与遮挡严重，对模型的检测与计数能力提出极高要求。
数据规模与划分
- 图像总量约 2677 张，按 8:2 比例划分为训练集（2141张）与验证集（536张），划分规范。
- 数据规模适中，但标注框数量庞大，能支撑密集目标检测模型的稳健训练。
- 支持 YOLOv5 至 v11 全系列直接训练，适配主流检测框架。
格式与结构
- 采用通用 YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。
- 可根据需求提供 XML、TXT、JSON 等多种格式转换服务。
- 图像与标签一一对应，数据结构规范，便于进行预处理与训练流程集成。
知识普及：密集小鸡计数的技术要点
- 极度密集场景 ：平均每张图像含 38 个小鸡目标，属于高密度场景，目标相互紧贴甚至重叠，常规检测模型易漏检或重复计数。
- 密集目标分离 ：建议采用 Soft-NMS 或 可变形卷积 提升重叠目标的分离能力；实例分割技术也可用于精确分离相邻个体。
- 尺度一致但姿态多样：小鸡尺寸相对统一，但姿态（站立、趴卧、簇拥）差异明显，模型需学习不同姿态下的特征。
- 背景干扰：育雏室地面、垫料、饲料等背景可能与鸡只颜色相近，建议在训练中加入对比度增强与颜色扰动。
- 计数后处理 ：检测结果可结合 目标计数算法（如密度图估计）提升计数精度；对于极高密度区域，可考虑先分割后计数的策略。
- 应用闭环 ：计数结果可结合时间序列分析，构建存活率曲线与生长趋势图，辅助养殖决策与疫病防控。
快速开始（代码示例）
配置文件 data.yaml 示例：
yaml
train: ./dataset/images/train
val: ./dataset/images/val
nc: 1
names: ['Chicken']启动 YOLOv8 训练：
python
from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(
data='data.yaml',
epochs=100,
imgsz=640,
batch=16,
device=0
)标签
小鸡计数 密集目标检测 智慧畜牧 雏鸡管理 目标检测 YOLO格式 深度学习数据集 计算机视觉